AutoMate: A Dataset and Learning Approach for Automatic Mating of CAD Assemblies
AutoMate: A Dataset and Learning Approach for Automatic Mating of
CAD Assemblies(自动化:CAD装配自动匹配的数据集和学习方法)2021 ACM
论文概述
这篇文章介绍了使用深度学习方法来预测计算机辅助设计(CAD)中的装配关系(mates)。主要内容和贡献如下:
- 提出了一种新的基于边界表示(BREPs)的图神经网络SB-GCN,可以学习不同拓扑实体(面、边、顶点等)的嵌入表示。这是第一个异构的BREP表示学习模型。
- 收集并整理了第一个大规模的基于BREP的装配建模数据集,包含180,102个装配关系。
- 应用SB-GCN来预测装配关系的位置和类型。位置预测准确率达到72.2%,类型预测准确率达到70%。
- 将该方法集成到一个商业CAD系统Onshape中,实现了自动完成装配关系的功能,显著提高了装配效率。
- 分析了预测结果的不确定性,并讨论了模型的局限性和未来可扩展的方向。
总体来说,本文通过图神经网络表示学习的方法,实现了针对CAD工作流程的第一个装配建模系统,取得了较好的效果,为CAD系统的智能化提供了有价值的参考。
摘要
装配建模是计算机辅助设计(CAD)的核心任务,约占CAD工作流程的三分之一。因此,优化这一过程在CAD系统的设计中代表了一个巨大的机会,但目前基于装配的建模研究并不直接用于现代CAD系统,因为它避开了现代CAD的主要数据结构:参数边界表示(brep)。
CAD装配建模将装配定义为零件之间的成对约束系统,称为伙伴,它们是相对于BREP拓扑定义的,而不是在现有工作中常见的世界坐标中定义的。我们提出了一种基于brep的表示学习方案SB-GCN,该方案保留了零件的拓扑结构,并使用这些学习到的表示来预测CAD类型匹配。为了训练我们的系统,我们编译了第一个大规模的BREP CAD组件数据集,我们将与基准伴侣预测任务一起发布。最后,我们通过构建一个工具来证明我们的模型与现有商业CAD系统的兼容性,该工具通过建议配偶完成来帮助用户创建配偶,准确率为72.2%。
结论
在这项工作中,我们提出了SB-GCN,这是brep的第一个异构图网络,能够学习许多类型拓扑实体的嵌入。我们使用SB-GCN来构建第一个装配建模工具,以满足CAD工作流程的独特需求;它将brep作为输入,与类别无关,将组件建模为约束集合,并根据解析几何定义这些约束。当我们将我们的网络应用于交配问题和一个特定的配偶模型时,我们设计了我们的模型来学习表示所有基于brep的CAD软件的核心构建块:拓扑实体。正因为如此,SB-GCN应该适用于其他配合系统,以及其他CAD任务。最后,我们收集并清理了第一个基于brep的装配建模数据集,该数据集将与我们的模型和基线任务一起发布。我们很高兴看到在这个基础上将会有什么新的CAD创新。